MétaCan
Menu
Retour à la cohorte
Enregistrement W2990264391 · doi:10.1115/omae2019-95541

New Material Development for Offshore Mooring Chains: High Manganese Steel

2019· article· en· W2990264391 sur OpenAlexaboutno aff
Neerav Verma, Andrew Wasson, Zhen Li, Harpreet Sidhar, Haiping He, Hyunwoo Jin, HyunJo Jun, A. Ozekcin, Shiun Ling

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMooringWeldabilitySubmarine pipelineCorrosionManganeseChain (unit)Work (physics)Marine engineeringMaterials scienceEnvironmental scienceMetallurgyEngineeringWeldingMechanical engineeringGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Oil and gas industry experiences indicate that corrosion and wear of conventional mooring chain is an issue, which can result in costly pre-emptive chain replacement in an offshore environment. There is a need to develop new material technologies with improved performance over conventional carbon steel mooring chains to improve chain reliability. This paper summarizes the development work on one such material — High Manganese Steel (HMS). A version of this steel has been utilized for superior wear performance at oil sands operation in Canada. This paper describes details on HMS chemistry optimization and lab testing for mooring chain application. In addition, Gleeble experiments were carried out to understand HMS hot deformation behavior and weldability. Development testing work on HMS material has shown promising results in terms of corrosion and wear performance, relative to carbon steel mooring chains.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,551
Score d'incertitude au seuil0,656

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNon-Destructive Testing TechniquesTravaux en français237 207